Tilbake til søkeresultatene

FINANSMARK-Finansmarkedet

Statistical modelling and inference for (high-dimensional) financial data

Alternativ tittel: Statistisk modellering og inferens for (høy-dimensjonale) finansdata

Tildelt: kr 0,60 mill.

Prosjektnummer:

309218

Prosjektperiode:

2020 - 2023

Midlene er mottatt fra:

Geografi:

I løpet av de siste 10 årene etter finanskrisen i 2008, har en rekke nye statistiske modeller blitt introdusert for å bedre beskrive finansdata, spesielt med tanke på å kunne predikere f.eks. konkurser og fremtidige avkastninger, samt å kvantifisere finansiell risiko. Typisk har modeller som er bedre egnet til å beskrive tidsdynamikken i prosessene vært i fokus. Videre, er den enorme mengden data som nå er tilgjengelig, på den ene siden, en rik kilde til informasjon, men på den andre siden kreves det ad-hoc-metoder som er i stand til å takle utfordringer med høydimensjonale data, og de krevende beregningene som er involvert i enhver "stor-data" modellering. Dette prosjektet vil introdusere en klasse av statistiske modeller, kjent som skjulte eller latente Markov-modeller, for bedre å karakterisere økonomiske og finansielle data når det gjelder krise kontra ikke-kriseperioder, og for å fange opp mulige smittekilder mellom sektorer. Dette gjøres samtidig ved å ta hensyn til makroøkonomiske størrelser som vil brukes for å øke nøyaktigheten til prediksjoner, f.eks. konkurssannsynligheter. Vi vil videre utvikle bedre metoder for å måle finansiell risiko. Ettersom dataene som skal analyseres er omfattende, må det utvikles modeller for å redusere kompleksiteten i problemet så vel som å utvikle beregningsmessige gjennomførbare algoritmer. Dette vil sikre anvendelsen av de foreslåtte nye metodene av ikke-eksperter, og samt være til nytte i et bredt spekter av økonomisk anvendelser.

One often encounters non-linear dependencies and non-Gaussianity in the joint distribution of stochastic variables in finance. This typically arises as easily recognized features of asset returns observed in financial markets. In this project we will extend both the theory and applications of non-linear stochastic models in two problem areas of finance, which are the a) corporate default modelling by non-linear integer-valued time series with regimes and b) new risk measures in high-dimensional multivariate settings. In sub-project a) we will further develop the theory and applications regarding non-linear integer time series models by allowing for time-varying parameters in these models. The motivation for such an extension is the modelling and forecasting corporate defaults. A stylized fact of these defaults is their tendency to cluster in time. This default clustering phenomenon has been explored in the financial literature. We will contribute to this field by proposing a new class of non-linear integer-valued time series models with regimes. In this way, we will achieve a more realistic modelling of corporate default counts and will be able to provide improved insight into their behaviour. In sub-project b), our main interest is to introduce and estimate the recently proposed risk measures conditional value at risk (CoVaR) and conditional expected shortfall (CoES) for the class of parsimonious contaminated hidden semi-Markov models. This approach allows for non-linear dependence between asset returns.

Aktivitet:

FINANSMARK-Finansmarkedet

Finansieringskilder